案例推理（case-based reasoning）是一種基于人類認(rèn)知模型的機(jī)器學(xué)習(xí)算法,其根據(jù)以往的案例或經(jīng)驗(yàn)高效地解決類似的新問(wèn)題,已被廣泛應(yīng)用于各個(gè)領(lǐng)域。但由于傳統(tǒng)的案例推理系統(tǒng)在賦予特征權(quán)重方面存在權(quán)重失衡和過(guò)度依賴專家經(jīng)驗(yàn)等局限,且隨著案例庫(kù)規(guī)模的不斷增長(zhǎng),案例推理的效率也受到了限制。因此,本文針對(duì)傳統(tǒng)案例推理的局限性,從特征加權(quán)和案例組織兩個(gè)方面進(jìn)行了研究,構(gòu)建了混合案例推理系統(tǒng)。同時(shí),將所構(gòu)建的混合案例推理系統(tǒng)應(yīng)用于公安應(yīng)急預(yù)案生成,設(shè)計(jì)實(shí)現(xiàn)了公安智能應(yīng)急預(yù)案系統(tǒng)。其主要?jiǎng)?chuàng)新和工作如下。首先,提出一種隨機(jī)森林加權(quán)的KNN（k-Nearest Neighbor,K最近鄰）算法。在分析研究案例推理基本原理和循環(huán)結(jié)構(gòu)的基礎(chǔ)上,針對(duì)傳統(tǒng)案例推理系統(tǒng)特征加權(quán)方面的不足,在案例推理的案例檢索階段引入隨機(jī)森林算法,為案例檢索的相似性度量算法提供合適的特征權(quán)重。通過(guò)實(shí)驗(yàn)對(duì)所提出算法的性能進(jìn)行測(cè)試,實(shí)驗(yàn)結(jié)果證明所提出算法具有更高的準(zhǔn)確度。其次,利用改進(jìn)的動(dòng)態(tài)分層自組織映射算法對(duì)案例推理系統(tǒng)進(jìn)行優(yōu)化。由于傳統(tǒng)案例推理系統(tǒng)在案例檢索時(shí),需將新案例與案例庫(kù)中所有歷史案例進(jìn)行相似性度量,導(dǎo)致案例檢... 

【文章來(lái)源】：中國(guó)人民公安大學(xué)北京市

【文章頁(yè)數(shù)】：88 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

案例推理運(yùn)作流程

隨機(jī)森林算法是2001年由Breiman[31]提出的一種基于決策樹(shù)的算法,其可以用于處理分類和回歸問(wèn)題。隨機(jī)森林是利用bootstrap的方法從原數(shù)據(jù)集中有放回的抽取樣本構(gòu)成K個(gè)子數(shù)據(jù)集,構(gòu)成K棵決策樹(shù),然后選取樣本的部分特征進(jìn)行分裂,每次分裂均選擇最好的特征,直至該節(jié)點(diǎn)的所有訓(xùn)練樣本都屬于同一類,訓(xùn)練完成的決策樹(shù)組成的決策森林,但每棵決策樹(shù)之間沒(méi)有關(guān)聯(lián)。當(dāng)輸入一個(gè)新的樣本時(shí),就讓隨機(jī)森林中的每一棵決策樹(shù)對(duì)它進(jìn)行判斷,最后大多數(shù)決策樹(shù)將它判斷為哪一類,就預(yù)測(cè)它是哪一類,并輸出類別。隨機(jī)森林算法相比普通決策樹(shù)不容易陷入過(guò)擬合,并且具有良好的抗噪性、訓(xùn)練速度快,能夠處理高維數(shù)據(jù)等優(yōu)點(diǎn)[32]。圖3.1是隨機(jī)森林的分類示意圖。信息增益是隨機(jī)森林中決策樹(shù)分裂屬性常用的選擇度量。介紹信息增益就必須先介紹信息不確定性度量單位：信息熵,其計(jì)算方式如公式3.2所示：

實(shí)驗(yàn)將對(duì)KNN算法、決策樹(shù)加權(quán)KNN算法（Tree_KNN）與所提出的隨機(jī)森林加權(quán)KNN算法（Rf_KNN）的分類性能進(jìn)行對(duì)比分析,其中決策樹(shù)加權(quán)KNN算法是使用普通決策樹(shù)算法為KNN算法計(jì)算特征權(quán)重。實(shí)驗(yàn)使用準(zhǔn)確度、F1值、AUC值三種分類器度量指標(biāo)對(duì)三種算法的性能進(jìn)行度量,并對(duì)三種算法在最佳K值處的三種度量值進(jìn)行對(duì)比分析。圖3.2中的三幅折線圖分別表示三種算法在肝炎數(shù)據(jù)集上的準(zhǔn)確度、F1值、AUC值表現(xiàn),其中橫坐標(biāo)為K值,縱坐標(biāo)分為準(zhǔn)確度、F1值、AUC值。圖3.3中的三幅折線圖分別表示三種算法在山谷噪音數(shù)據(jù)集上的準(zhǔn)確度、F1值、AUC值表現(xiàn),其中橫坐標(biāo)為K值,縱坐標(biāo)分別為準(zhǔn)確度、F1值、AUC值。圖3.4中的三幅折線圖分別表示三種算法在印度肝病患者數(shù)據(jù)集上的準(zhǔn)確度、F1值、AUC值表現(xiàn),橫坐標(biāo)為K值,縱坐標(biāo)分別為準(zhǔn)確度、F1值、AUC值。圖3.5中的三幅折線圖分別表示三種算法在超聲波診斷數(shù)據(jù)集上的準(zhǔn)確度、F1值、AUC值表現(xiàn),橫坐標(biāo)為K值,縱坐標(biāo)分別為準(zhǔn)確度、F1值、AUC值。在圖3.2、圖3.3、圖3.4、圖3.5中點(diǎn)線代表KNN算法,虛線代表決策樹(shù)加權(quán)KNN算法,實(shí)線代表隨機(jī)森林加權(quán)KNN算法。圖3.3 三種算法在山谷噪音數(shù)據(jù)集上的準(zhǔn)確度、F1值、AUC值表現(xiàn)

【參考文獻(xiàn)】：
期刊論文
[1]基于數(shù)據(jù)分析的高血壓中醫(yī)智能診療專家系統(tǒng)設(shè)計(jì)[J]. 劉健,蔣衛(wèi)民,沈?qū)m建.  北京中醫(yī)藥. 2019(09)
[2]應(yīng)急預(yù)案管理系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[J]. 崔浩,卜凡亮,李錦濤.  軟件導(dǎo)刊. 2018(12)
[3]公安應(yīng)急預(yù)案與輔助決策平臺(tái)設(shè)計(jì)與實(shí)現(xiàn)[J]. 蔡勝勝,卜凡亮.  智能計(jì)算機(jī)與應(yīng)用. 2019(01)
[4]煤礦智能應(yīng)急預(yù)案生成系統(tǒng)設(shè)計(jì)與關(guān)鍵技術(shù)[J]. 楊夢(mèng),周恩波.  煤礦安全. 2018(07)
[5]公路突發(fā)事件應(yīng)急預(yù)案自動(dòng)生成系統(tǒng)開(kāi)發(fā)及應(yīng)用[J]. 劉君,胡偉超,孫廣林.  中國(guó)安全生產(chǎn)科學(xué)技術(shù). 2017(10)
[6]智能預(yù)案信息化在公安行業(yè)的研究與應(yīng)用[J]. 何芬.  中國(guó)安全防范認(rèn)證. 2017(05)
[7]基于案例推理的群體性事件智能決策支持WEB系統(tǒng)研究[J]. 張雙獅,蘭月新,劉冰月,夏一雪,張鵬.  情報(bào)雜志. 2017(04)
[8]基于隨機(jī)森林的不平衡特征選擇算法[J]. 尹華,胡玉平.  中山大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(05)
[9]基于改進(jìn)的GHSOM的入侵檢測(cè)研究[J]. 楊雅輝,姜電波,沈晴霓,夏敏.  通信學(xué)報(bào). 2011(01)
[10]基于事例的推理（CBR）研究綜述[J]. 郭艷紅,鄧貴仕.  計(jì)算機(jī)工程與應(yīng)用. 2004(21)

碩士論文
[1]公安應(yīng)急預(yù)案數(shù)字化管理平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 崔浩.中國(guó)人民公安大學(xué) 2019



本文編號(hào)：3305354